基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

风力发电机齿轮箱体有限元分析

风力发电齿轮箱体是风力发电机中的大型复杂零件,箱体的强度如何,直接影响到箱体内的齿轮传动能否正常进行.针对国内首个2.5MW风力发电机组,建立了其齿轮箱体的三维模型,在实体单元力学理论的基础上,以ANSYS为分析平台,利用合适的约束和加载方法对箱体进行了分析,并对箱体强度性能进行了合理的评估.通过分析,检验了设计的可行性,找到了设计的薄弱环节,提出了相应的设计关键点和改进措施.分析结果已应用于工程实际中.     

基于小波域平稳子空间分析的风力发电机齿轮箱故障诊断

风力发电机齿轮箱故障信号为非平稳瞬态微弱信号,容易被齿轮啮合信号及其他噪声淹没。提出一种融合连续小波变换(Continuous wavdot transform,CWT)和平稳子空间分析(Startionary subspace analysis,SSA)的信号分解方法并应用于风力发电机齿轮箱故障诊断中。平稳子空间分析作为一种盲源分离技术可将高维数据分解成平稳源部分和非平稳源部分,对待分析信号各分量间的独立性没有要求且不需要任何先验信息。连续小波变换则可利用其所具有的多尺度分析特性把一维时间序列转换为不同尺度下的多维时间序列。对观测得到的一维时间序列数据进行连续小波变换得到多维时间序列作为平稳子空间分析的输入,利用平稳子空间分析方法将该多维时间序列分解为平稳源信号分量和非平稳源信号分量,对非平稳源信号进行包络谱分析得到齿轮箱故障的特征频率。该小波域平稳子空间分析方法被应用于一个实际风力发电机齿轮箱振动信号的分析,试验结果表明该方法可有效地诊断出齿轮箱中的轴承故障。     

750kW风力发电机齿轮箱动力学分析

某750 kW风力发电机投入运行以来,其增速齿轮箱的齿轮故障经常发生.针对750 kW风力发电机齿轮箱的齿轮传动系统故障,运用新的齿轮参数配置方案,建立了虚拟样机;在ADAMS中进行了动力学分析,找出了系统中的薄弱齿轮,并对此薄弱齿轮进行了疲劳寿命分析,计算寿命满足使用要求,证明了该方案的可行性.     

风力发电机状态监测和故障诊断技术的研究与进展

针对目前迅猛发展的风电装备缺乏有效监测诊断方法开展综述,指出其研究现状和值得研究的问题.综述风力发电机的发展现状、故障特点和诊断难点,风力发电机的装机容量和规模都在逐年扩大,目前基于振动监测的风力发电机在线诊断系统尚属空白,其运行维护费用增加以及频繁事故发生所造成的巨大损失严重影响了风电的经济效益.针对风力发电机中的主要故障部件,如齿轮箱、发电机、叶片等,介绍现有状态监测和故障诊断方法的研究现状.结合风力发电机工作在变转速、不稳定载荷等工况下的特点,指出研究重点是需要针对这一新型装备研究其故障机理和特定的诊断方法,研发适合于风力发电机特点的在线状态监测和故障诊断系统.     

基于UG和ADAMS的风力发电机齿轮箱设计

以风力发电机齿轮箱具体应用实例为载体,通过理论计算设计出的齿轮箱模型,并通过UG软件建模,得到了增速齿轮箱数字样机三维模型,并把该样机模型导入Adams软件进行运动仿真分析,验证了设计样机的合理性,并为UG软件和Adams软件结合提供了一种方法。     

1.5MW风力发电机行星齿轮机构动力学仿真

基于三维软件Pro-E,建立1.5 MW风力发电机行星轮系传动系统模型,并导入ADAMS进行刚体动力学仿真,得知易受损齿轮为太阳轮。将该齿轮通过ADAMS与ANSYS刚柔动力学分析,得到其应力云图,为以后齿轮箱设计提供数据基础。     

基于信息熵神经网络的风力发电机故障诊断方法研究

风力发电机组运行工况复杂多变,振动信号呈非平稳性和复杂性等特点,不同负载下信号能量分布差异较大,传统的时、频域特征参数不具纵向可比性,无法判别振动变化来自设备故障还是负载变化.针对以上特点,选择受机组工况变化影响较小的信息熵作为信号特征参数提取,通过描述信号总体统计特性判断设备状态,将齿轮各典型状态模式下的振动特征信息熵值作为网络的输入样本,通过训练前向传播back propagation(BP)神经网络,建立齿轮状态识别模型.利用新样本验证,结果与实际情况吻合得很好,表明该方法对风力发电机齿轮故障诊断的有效性和实用性.     

风力发电机齿轮故障诊断仿真与模拟试验

为了探讨无传感器故障诊断方法在风力发电机传动系统故障中的感应机理,在SIMULINK环境下,建立了一个双馈风力发电机仿真模型,对风力发电机传动系统故障在发电机定子电流中的响应过程进行理论分析。研制专用的风力发电机组模拟试验台,进行传动系统的断齿故障模拟试验与验证。利用Hilbert变换的幅值和频率解调方法,分析仿真及模拟试验结果,表明定子电流主要反映传动系统的扭矩或速度波动特征,将其用于风力发电机传动系统齿轮断齿类故障的监测与诊断是可行的。     

基于信号模型与阶次分析的风力发电机组齿轮箱故障诊断

针对传统的频谱分析方法在非平稳工况下导致的"频谱模糊"现象,利用信号模型和阶次分析的方法对风电机组齿轮箱进行了故障诊断研究。建立了非平稳工况下齿轮箱高速级的振动信号模型,推导了其时频谱及阶次谱结构,利用阶次分析的方法分析了振动信号的阶次谱,提取了齿轮故障特征。最后,利用真实风场齿轮箱振动数据进行分析,对齿轮箱故障进行了准确识别。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

风电机组齿轮箱故障分类方法研究

风电机组齿轮箱的运行工况复杂多变,很难获取大量的所有已知故障的样本数据,为了能够实现在无已知样本数据条件下的故障分类,提出了一种基于ART2神经网络和C-均值聚类算法的风电机组齿轮箱故障分类方法。首先利用ART2无监督神经网络实现样本数据的初步分类,再利用C-均值聚类算法对分类结果进行修正,克服了由于原始神经网络算法存在"硬竞争"导致分类精度下降的问题。分析结果表明提出的方法具有更高的分类准确度,能够对健康和不同故障类型的风电机组齿轮箱进行准确分类识别。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

基于LSGAN和VMD-MPE-KELM的风机齿轮箱故障诊断

在实际工况中,风机齿轮箱的故障样本多呈现不均衡特征.为克服样本不均衡性给诊断效果带来的影响,提出了一种基于LSGAN(最小二乘对抗网络)和VMD-MPE-KELM的风机齿轮箱故障诊断方法.首先,采用LSGAN算法用于少数类故障样本的生成处理,将具备原始样本特征的生成数据扩充样本集使其分布均衡,采用VMD方法分解样本集中各类故障的振动信号,计算各模态分量的MPE多尺度排列熵值以提取信号特征;再通过KPCA方法降维处理,获得故障样本的特征向量,将其代入KELM模型诊断.实验表明,LSGAN算法克服了GAN在生成故障样本中梯度消失、训练不稳定和数据质量差等问题;VMD-MPE-KPCA方法可有效提取故障特征.该方法有效地提高了非平衡齿轮箱故障样本的诊断精度.     

基于风机齿轮箱非线性动力学模型仿真的故障诊断

为了实现风机在工作中状态监测以及故障早期发现定位。利用SIMULINK快速仿真建立了齿轮传动过程中振动观测器,能够实时输出残差。通过对残差设置阈值实现了对风机齿轮箱工作状态的实时在线监测;发现故障后对信号进行深入分析时引入重分配小波尺度,从而实现了风机齿轮箱故障的快速识别以及定位。为了验证结论的可靠性在模型上添加仿真故障,验证了故障参数与残差信号以及系统特性之间的关系。从而为故障的早期发现以及故障发展预测提供了一种解决方法。     

数字频率筛查方式的风电机组齿轮箱故障诊断

风电机组齿轮箱故障一直是风电场主要机械故障之一,其故障信息多是混有噪声的非平稳信号.为避免陷入对复杂的非线性信号求解,提出多种算法融合下的数字信息频率筛查处理方法.首先利用小波分析对高频信号的敏感性进行消噪,然后充分利用Hilbert-Huang变换对非平稳信号的分解和时频变换能力进行信号特征挖掘,在被干扰的非平稳信号...     

风机齿轮箱状态监测与故障诊断系统设计研究

针对风力发电机组地处偏远、人工巡检排故困难,利用物联网技术开发了远程状态实时监测和故障诊断系统,分析了总体框架,构建了故障诊断规则库,阐述了工作流程.该系统可实现对风机齿轮箱运行状态的远程实时监测,通过分析风机齿轮箱运行状态信息触发自动故障诊断系统和基于规则的故障诊断,生成故障诊断报告,并将其导入专家经验库.经风电机组...     

基于DSP的风力发电机齿轮箱故障诊断系统的研究与应用

风力发电机齿轮箱是风力发电机组中发生故障频率最多的部件。针对齿轮箱振动信号大多为非平稳的特征,设计了以DSP-TMS320F28335(简称F28335)为核心处理器的风力发电机齿轮箱故障诊断系统,该系统可以脱离上位机独立运行。利用F28335及其丰富的外设模块构建了系统的硬件平台,其中包括对模拟信号采集、频率信号、数字信号采集的相关模块,并具有以太网、CAN总线的通信功能。采集的信号经过DSP嵌入式EMD分解算法将振动信号分解成IMF分量,并对IMF分量进行Hilbert变换,进而获得精确的信号Hilbert边际谱图,依据Hilbert边际谱图得到设备潜在故障信息。经试验表明本系统能够有效的诊断齿轮箱故障。     

基于改进的多元离群检测方法的风机齿轮箱早期故障诊断

针对风电机组运行工况波动性以及机组早期故障特征不易提取的特点,提出一种基于改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断。运用阶比重采样方法对原始振动信号进行预处理,并对处理结果进行量纲一因子分析;通过马氏距离建立风电齿轮箱的早期故障识别模型;利用多元线性回归改进多元离群检测算法进行实际数据的分析计算。结果表明,该方法较原始方法能够更早地察觉出风电齿轮箱早期故障。